J'ai toujours une méfiance envers ces projets crypto qui collent l'étiquette AI à la moindre occasion.
Ces deux dernières années, trop de projets, pour le dire franchement, ont vu leur valorisation grimper plus vite que la température en été, alors que la réalité ressemble à un planning de culture saisonnière : ça a l'air animé, mais une fois que ça se concrétise, c'est froid. En promo, c'est comme un buffet de fruits de mer haut de gamme, mais ce qu'on sert, c'est des bâtonnets de crabe et des boulettes de poisson frites. Si on regarde de plus près, sur dix, huit sont juste là pour surfer sur la tendance, et la logique de base ne tient pas la route.
Donc quand un pote me parle de @OpenLedger et de son token $OPEN , ma première réaction c'est que ça fait encore un de plus.
Mais après avoir relu plusieurs fois son livre blanc et son design d'architecture, je dois admettre que j'ai un peu changé d'avis. Ce n'est pas parce que sa vision est grandiose, au contraire, ce qu'ils font est en réalité très étroit, au point de me faire penser que cette équipe a vraiment réfléchi.
Ils n'ont pas essayé de rivaliser avec l'écosystème des contrats intelligents d'Ethereum, ni de se battre sur le marché de la puissance de calcul avec Bittensor. Ils se concentrent sur un problème plus fondamental et plus épineux, la propriété et l'attribution des données d'entraînement de l'IA.
À quel point le modèle opérationnel actuel d'Internet est-il tordu ?
Les utilisateurs génèrent des données massives chaque jour, les tweets qu'ils envoient, les photos qu'ils téléchargent, les commentaires qu'ils écrivent, les mots-clés qu'ils recherchent, la plateforme les collecte gratuitement, les entreprises de modèles massifs les exploitent pour entraîner des modèles valant des milliards, voire des centaines de milliards, puis les commercialisent. Dans toute cette chaîne, ceux qui contribuent réellement aux données ne reçoivent rien, même pas un centime, et n'ont même pas le droit de savoir.
Je vois ces entreprises d'IA poursuivies en justice par des médias, des artistes, des écrivains pour violation de droits d'auteur, et pour être honnête, j'ai des sentiments mitigés. D'un côté, je pense que les créateurs devraient défendre leurs droits, de l'autre, je me rends compte que cette logique d'appropriation gratuite, d'emballage pour l'entraînement et de monétisation aveugle est profondément ancrée et considérée comme allant de soi.
Ce qu'OpenLedger veut faire, c'est éclairer une lampe dans cette boîte noire. Ils appellent cela la Preuve d'Attribution, ou Proof of Attribution. Pour le reformuler avec mes propres mots, actuellement, l'entraînement de l'IA ressemble à un énorme hot pot, avec des milliers de tonnes d'ingrédients jetés dedans. Peu importe à quel point le bouillon est savoureux, personne ne sait qui a mis cette boulette de viande dedans. OpenLedger veut créer un système de traçabilité qui, lorsque l'IA utilise à nouveau un goût spécifique, peut localiser le contributeur initial et régler automatiquement la récompense via $OPEN .
Cela ressemble un peu à l'ID de contenu de YouTube, vous avez utilisé un extrait de ma vidéo, les revenus publicitaires me reviennent automatiquement. Sauf qu'OpenLedger doit traiter non seulement des empreintes vidéo, mais aussi des correspondances au niveau des tokens dans l'entraînement des grands modèles.
En tant qu'ancien développeur ayant écrit de nombreuses lignes de code, j'ai particulièrement remarqué un détail dans leur chemin technologique qui n'a pas été largement promu. Pour résoudre le problème de l'efficacité de l'attribution des grands modèles, ils ont utilisé une méthode d'attribution au niveau des tokens basée sur des tableaux de suffixes. Cette méthode n'est pas nouvelle, elle est même un peu old-school, mais c'est précisément ce côté old-school qui me semble fiable. Les modèles ont souvent des milliards de paramètres, et si vous essayez de rétro-analyser tous les paramètres à chaque inférence, cela peut rapidement faire exploser les coûts de calcul et les délais. L'idée des tableaux de suffixes est de compresser le corpus d'entraînement en un index efficace, et lorsque le modèle génère du contenu, il fait correspondre directement les caractéristiques au niveau des tokens, ce qui revient à vérifier quel motif spécifique apparaît le plus souvent dans quel DataNet.
Je vais donner un exemple, dans une pharmacie de médecine traditionnelle, ils n'ont pas besoin d'étudier l'histoire complète de croissance de chaque herbe, ils peuvent localiser l'origine et le lot juste en regardant l'étiquette. Ce que fait le tableau des suffixes, c'est essentiellement donner une étiquette vérifiable sur la chaîne à chaque goût de données.
Le rôle d'OPEN dans ce système est également très clair, en tant que carburant pour le règlement, le staking et la validation. Ce n'est pas un actif fantôme juste pour émettre des jetons, mais une nécessité pour le bon fonctionnement du réseau d'attribution : vous contribuez des données qui sont utilisées, vous obtenez des OPEN ; vous souhaitez que le modèle accède à des données de haute qualité, vous devez staker $OPEN ; vous souhaitez valider si l'attribution est correcte, vous avez également besoin d'OPEN comme incitation.
Le projet a levé environ 8 millions de dollars en financement auprès de fonds d'infrastructure comme Polychain Capital au début. Pourquoi cela m'intéresse-t-il ? Parce que des fonds comme Polychain préfèrent généralement des infrastructures de base solides et à long terme, plutôt que des projets narratifs qui surfent sur la vague des tendances. S'ils investissent, cela signifie au moins que le chemin technologique n'est pas complètement absurde.
Mais il ne faut pas être trop enthousiaste, je ne vais pas manquer de refroidir les ardeurs. Le plus grand risque est le vieux problème de Web3, les données poubelles et les attaques de gonflement.
Pensez-y, une fois que l'attribution peut apporter des récompenses en argent réel, il y aura inévitablement des gens qui afflueront. Les données d'images médicales rares ont effectivement une valeur inestimable, mais puis-je générer 10 millions de tweets poubelles avec des mots-clés variés et les mettre sur DataNet en attendant d'être appelées ? Si l'algorithme d'attribution n'a pas de mécanisme de filtrage de qualité suffisamment fort, OPEN deviendra un jeton incitant à la production de données poubelles, le projet ayant construit un buffet, et tout le monde apportant des boulettes de poisson congelées pour échanger contre des langoustes.
Un autre problème de réalité est la résistance des grandes entreprises. Si OpenLedger parvient vraiment à établir l'attribution comme norme de l'industrie, ce ne sont probablement pas les petites start-ups qui seront le plus inquiètes, mais les géants qui nourrissent leurs modèles avec des données presque gratuites. Une fois que chaque appel nécessite de confirmer la source des données et de payer, le coût d'entraînement va exploser. À ce moment-là, OPEN ne sera plus seulement un jeton utilitaire, mais deviendra en quelque sorte une taxe sur les données, et le jeu derrière cela est bien plus complexe que la mise en œuvre technique.
Le marché est actuellement trop agité, chaque jour de nouveaux projets AI + Web3 émergent, la plupart ayant un PPT plus élaboré que leur code. OpenLedger est au moins en train de s'attaquer à un os sale et dur, le problème de la propriété des données noires de l'IA. Peu importe à quel point le livre blanc technique est bien écrit, au final, cela dépend toujours de la concrétisation : inférences à haute fréquence sous des millions de nœuds, synchronisation d'état, mécanismes de résistance à la fraude... toutes ces choses nécessitent du temps et des scénarios réels pour validation.
Mais à long terme, cela dépasse déjà le cadre des mouvements de prix d'un projet ou d'un jeton individuel.
L'intelligence silicium est en train d'engloutir férocement l'expérience carbonée. Si nous n'avons pas un protocole de base pour aider les gens ordinaires à ancrer leur propriété sur les données, alors chaque clic, chaque frappe au clavier, chaque trace laissée deviendra silencieusement le carburant gratuit des géants centralisés.
Ce qu'OpenLedger fait, c'est, en gros, enregistrer à nouveau les traces créatrices de l'humanité avec du code, afin qu'elles ne soient pas complètement exploitées. Cela pourrait être juste une petite résistance, et cela ne réussira peut-être même pas.
Mais cette direction mérite un coup d'œil sérieux.
Après tout, la compétition future dans l'IA pourrait ne pas seulement être qui a le plus de paramètres dans son modèle, qui infère le plus rapidement, mais qui détient réellement la souveraineté sur les données les plus rares et de la plus haute qualité. (Cet article est une tâche de plateforme, ne constitue pas un conseil d'investissement.)